导读:本文包含了车辆检测与识别论文开题报告文献综述及选题提纲参考文献，主要关键词:无人驾驶,编解码器模型,语义分割,目标检测
车辆检测与识别论文文献综述
谢岩,刘广聪[1]（2019）在《基于编解码器模型的车道识别与车辆检测算法》一文中研究指出针对无人驾驶车辆环境感知问题,通过编码器提取共享图像特征,再通过解码器来实现语义分割、分类和目标检测模块,并应用在车道识别和车辆检测上.在无人驾驶中,任务的实时性非常关键,这种共享编码器模型能一定程度上提高任务实时性.实验结果表明,该模型的语义分割在KITTI数据集上的平均精度达到93.89%,比最优性能提升0.53%,联合检测速度达到25.43 Hz.(本文来源于《广东工业大学学报》期刊2019年04期）
杨恩泽[2]（2019）在《基于深度学习的交通车辆检测与识别算法研究》一文中研究指出随着机动车数量迅速增长,城市交通拥堵日益严重。智能交通系统在提升交通运输效率,减少交通安全隐患等方面发挥出重要作用,从而受到广泛的关注。车辆的检测与识别是智能交通系统的关键问题之一。随着深度学习方法的出现,基于深度学习的车辆检测与识别取得了很大的进展。但由于交通环境中车辆尺度多样、场景复杂多变、光照变化以及遮挡等因素的影响,车辆检测与识别算法的性能还有待于提高。本文以此为背景,对基于深度学习的车辆检测与识别算法进行了深入的研究,实现了一种基于可分离反向连接网络(Separable Reverse Connected network)的车辆检测与识别算法。主要工作如下:1.针对目前常用的深度学习检测框架进行了分析。通过对比实验的方式研究不同特征提取网络和检测识别框架的车辆检测识别性能,选取综合性能较好的框架作为车辆检测与识别的基础模型。2.在对比实验的基础之上,本文实现了一个多尺度车辆检测识别算法,称为可分离反向连接网络(Separable Reverse Connectednetwork,SRC)。其中可分离卷积网络将特征提取网络生成的特征图进行稀疏表示,一定程度上减少检测识别网络所需的参数量。反向连接网络将浅层特征图的空间信息和深层特征图的语义信息有效融合,提升了网络的多尺度特征表达能力。3.为进一步提升网络模型的车辆检测性能,本文采用了一系列优化算法。训练策略优化算法通过多尺度训练和在线难例挖掘算法提升网络的训练效率,网络模型优化算法有效减少了网络中的参数量和计算量。为了验证所构建网络的有效性,本文在公开数据集Pascal VOC和MS COCO上进行了实验。实验结果表明,SRC网络的车辆检测识别性能优于FPN和YOLOv2等先进检测框架。此外,优化过程进一步提升了网络的检测识别性能,实现了多尺度多类别的实时车辆检测与识别。(本文来源于《北京交通大学》期刊2019-06-01）
石凡[3]（2019）在《基于R-CNN的城市道路行人车辆实时检测识别方法研究》一文中研究指出城市道路监控是监视道路交通安全、整顿城市治安与防范各种犯罪以及恐怖暴力活动的有效手段。以往的道路监控摄像头种类繁多,视频数据整合工作均由人工完成,需要配套大量专业技术人员。而今,随着机器视觉技术的发展、监控智能化的推进,在多项图像感知问题上,算法的性能已超越了人类的,并进入到了大规模工程应用的阶段,但综合应用尚在起步阶段。因此,本文旨在整合最新视觉技术研究成果,构建一套基于R-CNN(Regions with Convolutional Neural Network)的、可依赖不同制式监控摄像头的视频输入、能够实现人车同时检测并分别识别的方法。本文对现有智能监控、行人重识别、车辆号牌检测等技术领域进行了调研,构建了整体方案,将整个算法流程分为了叁部分:目标检测算法,负责从监控视频中对行人车辆进行实时检测并提取出图像信息;行人重识别算法,对行人图像与数据库存图像比较进行重识别;车辆号牌识别算法,对检出的车辆图像,进行号牌识别。而后,对于叁种算法本文进行了深入研究:目标检测算法,对比了Mask-RCNN与Light-Head RCNN算法并结合其他最新成果,对卷积核、网络结构等进行了改进,提高了算法性能,平衡了准确性与实时性;行人重识别算法,应用基于度量学习的方法,设计了相适应的损失函数并将人体解析算法与重识别相结合,在动态自编码方法的基础上提出了通用编码算法,使得算法针对环境、光线更复杂的情况下性能有所提高;车辆号牌识别算法,应用了弱监督不规则字符检测方法,并引入了硬注意力机制,同时生成车牌样本进行模型训练,并针对省份简称识别率低的情况,采用具体先验统计信息对分类器阈值加以修正,从而提高行驶车辆的号牌识别准确率。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
利齐律,程良伦,黄国恒[4]（2019）在《基于显着性区域检测的抗干扰车辆颜色识别》一文中研究指出在车辆颜色识别的过程中,车辆图像中主要颜色区域的准确分割、排除非颜色干扰区域始终是个问题。因此提出一种基于显着性区域检测的抗干扰车辆颜色识别算法,针对车辆颜色区域分割不准确问题进行一定程度的改善,去除车辆颜色干扰区域并使用自适应k近邻算法(KNN)进行颜色分类。实验结果表明,该方法能有效分割车辆主要颜色区域,并且能达到比较好的分类识别效果。(本文来源于《工业控制计算机》期刊2019年05期）
侯文军,黄炜,付马木林[5]（2019）在《基于模式识别技术的地铁车辆图像检测系统研究》一文中研究指出地铁车辆在运行过程中产生的疲劳缺陷、变形、异物掉落、部件缺失等车体异常状况的检查,现阶段主要检查方式为人工目视。这种检查方式受人员检查水平、检测手段、段场股道空间等条件限制,检查效果、效率均有待提高。基于模式识别技术的地铁车辆图像检测系统,采用隐式形状模型算法(ISM),HTM神经网络算法及支持向量机算法(SVM),实现地铁车辆各关键部件异常的图像自动识别,并研究出一套适用于地铁车辆的车体外观自动化检测系统,为车辆的自动化检查奠定基础。(本文来源于《铁道技术监督》期刊2019年05期）
张美润[6]（2019）在《基于车辆群体轨迹特征的新增道路检测与识别研究》一文中研究指出改革开放40多年来,各地交通基础设施建设日新月异,为我国取得举世瞩目的经济奇迹提供了重要的支撑和保障。面对日新月异且日益复杂的交通路网,电子地图导航为方便公众出行发挥了重要作用,高德、百度等导航软件已成为很多人出行的必备工具。为更好地方便公众出行,我国相关政府部门和高德、百度等企业每年都投入巨大的人力物力进行路网信息更新的检测。海量的车辆群体轨迹数据蕴含了时间、空间及交通路网之间丰富的结构化知识,因此本文通过挖掘分析不同车辆群体轨迹特征与新增道路的相关性,提出了一种基于工程车车辆群体轨迹数据的施工区域识别方法以及一种基于出租车车辆群体轨迹数据的新增道路检测方法,主要的完成的工作如下:(1)系统调研了车辆群体轨迹与新增道路检测方法的国内外研究现状,并在此基础上对轨迹数据预处理、车路匹配算法、基于工程车车辆群体轨迹数据的施工区域识别、基于出租车群体轨迹数据的新增道路检测算法进行探讨并设计了本文的系统框架及方法。(2)在车路匹配算法的设计中,面临海量的轨迹数据和庞大的路网信息,为了提高匹配效率,本文利用倒排索引原理建立了路网网格与道路之间的映射关系,从而构建了交通轨迹数据快速获取候选路段列表的索引机制,最后通过多尺度匹配方法完成交通轨迹数据与地图的精准匹配。(3)道路的建设离不开渣土车等工程车辆群体的参与,因此渣土车轨迹特征中蕴含了丰富的施工工地以及施工进度等信息,本文通过分析渣土车群体车辆的时空轨迹特性,设计了一种基于密度聚类的施工区域识别算法。针对渣土车的实际作业规律,构建了渣土车出现频次K和早晚间对比的多维度优化模型。最后将实验结果与ArcGIS自带的天地图进行验证,施工区域识别的准确率达92%。(4)基于出租车车辆群体的轨迹特性,设计了一种基于出租车轨迹数据的新增道路检测算法,该算法首先利用车路匹配算法提取未匹配的轨迹点,将轨迹点连成轨迹线形成路径信息,然后利用路径融合方法生成新增道路,最后提取道路属性完成新增道路的快速准确检测。最后,结合ArcGIS的天地图对宁德市霞浦县的新增道路检测结果进行验证,在183条检测结果中随机选举20条新增道路进行验证,准确率达100%。本文的研究成果对电子地图更新和智慧交通信息服务具有一定的参考价值和意义。(本文来源于《福建工程学院》期刊2019-05-01）
张浩东[7]（2019）在《基于分层检测算法的危险品运输车辆识别及预警》一文中研究指出近年来,随着国民经济的不断发展,国内对危险品的需求量也在逐年增加。截止到2017年我国每年的危险化学品运输总量已经超过3亿吨,所运输的危险化学品主要包括氰化物、液氨、液氯、油品类等。一旦发生交通事故将会对自然环境、道路安全以及人民的生命财产安全产生巨大的影响。另外,基于传感器技术、先进控制技术的先进驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)为汽车行车安全提供了很好的解决方案。传感器在先进驾驶辅助系统中有着十分重要的地位,常用传感器主要包括摄像头、毫米波雷达、激光雷达等,可用于获取车辆内、外部信息,这些信息可以帮助驾驶员更加安全的完成驾驶任务。因此,本文总结了国内外相关方面的研究现状基础上,搭建了车辆检测与识别算法框架,开发一套基于机器视觉的前方危险品运输车辆识别及预警系统,最后通过实车道路试验测试系统功能。具体研究工作如下:(1)通过对各种车辆识别和检测算法进行对比,采用基于Haar特征和AdaBoost级联分类器算法识别危险品运输车辆。共训练得到四个分类器,其中各个分类器的正样本数量分别为800张、1200张、1600张和2000张。通过对比分析得到由1600张正样本训练得到的分类器效果最佳。(2)采用分层检测算法用于危险品运输车辆的识别。由于现有的滑窗检测算法计算量过大、实时性差,因此通过对滑窗检测算法的源代码进行解读,在精确掌握其工作原理的前提下,提出一种分层检测思想,然后根据这种分层思想对OpenCV中与滑窗检测算法相关的代码进行修改和重写,最终得到的分层检测算法更加适用于危险品运输车辆的检测,不仅提高了检测的速度,而且也一定程度上解决了闪现、闪灭等问题。(3)通过利用几何测距模型完成前方车辆测距功能。本文采用基于几何模型的单目视觉测距方法,首先选用张正友标定算法完成摄像机的标定,获取摄像头内参数;然后根据几何测距模型和四个坐标之间的相互转换关系,将选取的两个测距点的像素坐标转换成道路平面坐标,最后将两个测距点的道路平面坐标代入距离计算公式得出车距。通过C++语言在Visual Studio 2013开发环境中实现。(4)完成预警系统的开发并进行实车道路试验。基于Visual Studio 2013开发环境和OpenCV库,使用C++语言进行系统开发,并通过交叉编译的手段,最终将系统移植到Arm开发板中,并通过实车试验对系统功能进行了测试与分析。(本文来源于《吉林大学》期刊2019-05-01）
景露霞[8]（2019）在《基于OpenCV的前方车辆识别与车距检测系统的设计与研究》一文中研究指出随着“互联网+”的时代的兴起,越来越多的企业开始注重将自己的产品与互联网信息技术相结合,对已有产品进行升级,并结合已有产品特性打造出新兴产品,智能网联汽车就是传统汽车产业在“互联网+”时代下的一个产物。对本车前方车辆的识别及距离检测是智能网联汽车研发和应用过程中必不可少的一个内容,是其发展的一个重要技术基础。本文研究设计了一种基于OpenCV的前方车辆识别及测距系统。该系统以配置好OpenCV的Visual Studio 2015作为程序开发环境,在载入摄像头采集的视频图像后,首先完成对视频图像的预处理,再导入训练好的车辆分类器来对视频图像中的车辆进行识别,然后结合车距检测算法,计算出本车与识别出的前方目标车辆之间的距离,并将识别结果和车距检测结果显示在屏幕上。最后实现系统的Android移植,通过Android客户端与云服务器的通讯将检测出的车距实时地传送给云服务器。本文完成了对训练车辆分类器所需正负样本的采集,研究设计了可以一次性对所有样本进行灰度化、归一化等预处理的算法流程;调用OpenCV机器学习相关函数完成了基于Haar特征的Adaboost级联分类器的训练与检测;搭建了车距的计算模型;研究设计了利用车辆分类器实现对摄像头采集的视频图像实时进行车辆识别并测距的算法流程,其中包括完成打开摄像头,读入视频图像,对视频图像的预处理,导入分类器识别,对识别到的前方车辆进行距离检测,将识别效果和距离计算结果显示出来等一系列编程;最后还实现了系统的Android移植,设计了能将Android端系统检测的车距发送到云服务器的数据通讯算法流程。为了验证本系统的最终效果,本文分别对该系统和移植到Android的系统进行了实车实验来进行功能验证,结果表明该系统和移植到Android的系统都有较好的车辆识别及车距检测效果,且Android端系统的通讯功能也能很好的实现。(本文来源于《长安大学》期刊2019-04-15）
曾辉,谢森林[9]（2019）在《一种新型运动车辆视频检测及识别算法的研究》一文中研究指出本文将当前人脸识别算法中比较成熟的AdaBoost算法与3D形变建模技术结合起来,将其运用到运动车辆检测上,提出了一种新型运动车辆视频检测及识别算法3D Adaboost。实验证明,该方法和现有常用车辆识别算法相比,能有效减少车辆识别时角度问题造成的检测错误;并且能在不损失准确度的基础上,显着缩短训练时间。(本文来源于《数字通信世界》期刊2019年04期）
乐越[10]（2019）在《基于深度学习的车辆行为识别与检测研究》一文中研究指出近年来,随着汽车行业的日益更新和人工智能的快速发展,无人驾驶技术受到广泛的推广和应用。无人驾驶的环境感知是实现车辆安全有效驾驶的必备技术,通过车载摄像头记录车辆周围视觉环境数据,识别出周围车辆和障碍物的信息从而执行相应操作。其中准确识别出前方移动车辆的行为是实现无人驾驶技术的基础。同时,车辆行为检测在智慧交通管理上有着不可替代的作用。目前对交通违法审核存在人力财力投入大、效率低下、人力资源浪费等严重问题,传统路口监控所拍摄的视频仅能在很小的范围内对交通违章进行检测,远远不能达到智慧交通中全覆盖的交通事故预防和交通违章检测的程度。现在车辆大都安装了行车记录仪或其他对车辆前方环境摄录的装置,因此,摄录的行车前方车辆行为视频呈指数级别增长。在拍摄的长视频中智能高效的检测识别出车辆各种行为,不管对无人驾驶技术还是对智慧交通的实现都具有重大的现实意义。基于上述情况,对现有的车辆行为识别和目标行为检测技术做了充分研究和改进后,实现了基于深度学习的车辆动态行为分类与检测研究。数据集采集于行车记录仪等设备摄录的行车前方车辆视频,研究的内容包括:1、针对传统车辆行为识别算法精度低、延迟大的问题,提出一种基于长短期记忆的车辆行为动态识别深度学习算法。首先,提取车辆行为视频中的关键帧;其次,引入双卷积网络并行对关键帧的特征信息进行分析,再利用长短期记忆网络对提取出的特性信息进行序列建模;最后,通过输出的预测得分判断出车辆行为类别。实验结果表明,所提算法识别准确率可达95.6%,对于单个视频的识别速度只要1.72s,其中改进的双卷积算法相较于普通卷积网络在准确率上提高8.02%,同基于本数据集的传统车辆行为识别算法相比准确率提高6.36%。2、针对传统人工标注定位车辆行为过于耗时耗力,相应目标检测识别算法实用性差,行为定位检测率低等问题,提出一种基于双流卷积和双向长短期记忆网络的车辆行为检测算法。车辆行驶过程中直行行为占据了巨大的比例,但在实际需求中,更为关注长视频中车辆的转弯,变道掉头等行为。因此,本文将直行行为默认为背景行为,将长视频中车辆变道,转弯调头等行为设为目标行为。首先,通过双流卷积网络提取出长视频中的非直行行为提议,然后使用双向长短期记忆网络对初步提议进行修剪和识别,从而检测出行为发生的时间和行为的类别。基于本文的数据集,与现有目标行为检测算法相比有更明显优势,在tIoU阈值为0.5时,mAP达到36.3%。(本文来源于《合肥工业大学》期刊2019-04-01）
车辆检测与识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着机动车数量迅速增长,城市交通拥堵日益严重。智能交通系统在提升交通运输效率,减少交通安全隐患等方面发挥出重要作用,从而受到广泛的关注。车辆的检测与识别是智能交通系统的关键问题之一。随着深度学习方法的出现,基于深度学习的车辆检测与识别取得了很大的进展。但由于交通环境中车辆尺度多样、场景复杂多变、光照变化以及遮挡等因素的影响,车辆检测与识别算法的性能还有待于提高。本文以此为背景,对基于深度学习的车辆检测与识别算法进行了深入的研究,实现了一种基于可分离反向连接网络(Separable Reverse Connected network)的车辆检测与识别算法。主要工作如下:1.针对目前常用的深度学习检测框架进行了分析。通过对比实验的方式研究不同特征提取网络和检测识别框架的车辆检测识别性能,选取综合性能较好的框架作为车辆检测与识别的基础模型。2.在对比实验的基础之上,本文实现了一个多尺度车辆检测识别算法,称为可分离反向连接网络(Separable Reverse Connectednetwork,SRC)。其中可分离卷积网络将特征提取网络生成的特征图进行稀疏表示,一定程度上减少检测识别网络所需的参数量。反向连接网络将浅层特征图的空间信息和深层特征图的语义信息有效融合,提升了网络的多尺度特征表达能力。3.为进一步提升网络模型的车辆检测性能,本文采用了一系列优化算法。训练策略优化算法通过多尺度训练和在线难例挖掘算法提升网络的训练效率,网络模型优化算法有效减少了网络中的参数量和计算量。为了验证所构建网络的有效性,本文在公开数据集Pascal VOC和MS COCO上进行了实验。实验结果表明,SRC网络的车辆检测识别性能优于FPN和YOLOv2等先进检测框架。此外,优化过程进一步提升了网络的检测识别性能,实现了多尺度多类别的实时车辆检测与识别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车辆检测与识别论文参考文献
[1].谢岩,刘广聪.基于编解码器模型的车道识别与车辆检测算法[J].广东工业大学学报.2019
[2].杨恩泽.基于深度学习的交通车辆检测与识别算法研究[D].北京交通大学.2019
[3].石凡.基于R-CNN的城市道路行人车辆实时检测识别方法研究[D].哈尔滨工业大学.2019
[4].利齐律,程良伦,黄国恒.基于显着性区域检测的抗干扰车辆颜色识别[J].工业控制计算机.2019
[5].侯文军,黄炜,付马木林.基于模式识别技术的地铁车辆图像检测系统研究[J].铁道技术监督.2019
[6].张美润.基于车辆群体轨迹特征的新增道路检测与识别研究[D].福建工程学院.2019
[7].张浩东.基于分层检测算法的危险品运输车辆识别及预警[D].吉林大学.2019
[8].景露霞.基于OpenCV的前方车辆识别与车距检测系统的设计与研究[D].长安大学.2019
[9].曾辉,谢森林.一种新型运动车辆视频检测及识别算法的研究[J].数字通信世界.2019
[10].乐越.基于深度学习的车辆行为识别与检测研究[D].合肥工业大学.2019